C’est quoi Inkling ? Le 1er modèle de Thinking Machines Lab

Inkling est le premier modèle publié par Thinking Machines Lab, lancé le 15 juillet 2026. Si vous avez lu les gros titres annonçant que le laboratoire secret de Mira Murati avait enfin sorti un modèle et que vous voulez une explication simple de ce qu’est réellement Inkling, de ce dont il est capable et de son intérêt pour vous, voici l’essentiel, à jour en juillet 2026.

La plupart des articles publiés jusqu’ici se limitent soit à une liste de caractéristiques techniques, soit à une analyse à chaud du jour de lancement. Nous couvrons ce qu’ils passent sous silence : une lecture honnête de ses performances réelles, la différence entre poids ouverts et open source, la question de savoir s’il est seulement possible de faire tourner un modèle de 975 milliards de paramètres, et ce qu’un nouveau modèle ouvert change pour la visibilité de votre marque dans les outils d’IA.

Ce qu’il faut retenir

• Inkling est le premier modèle de Thinking Machines Lab, le laboratoire de Mira Murati (ex-CTO d’OpenAI) : un modèle à poids ouverts de 975 milliards de paramètres (41 milliards actifs), lancé le 15 juillet 2026.
• Il est nativement multimodal en entrée (texte, image, audio) avec une fenêtre de contexte allant jusqu’à 1 million de tokens, mais reste un point de départ à affiner, pas un chatbot prêt à l’emploi.
• Les poids sont gratuits sous licence Apache 2.0, mais l’exécution ne l’est pas : au moins 2 To de mémoire GPU en propre, ou un paiement à l’usage via Tinker (environ 1,87 $ par million de tokens en entrée), facturé en dollars uniquement.
• Pour une entreprise soumise au RGPD qui veut une alternative comparable hébergeable en Europe, Mistral Large 3 (675 milliards de paramètres, 41 milliards actifs, Apache 2.0) reste le point de comparaison le plus proche.
• Quelques jours après le lancement, Gemini interrogé sans recherche web ignorait tout d’Inkling et citait la mauvaise entreprise, un rappel que la visibilité d’une marque dans l’IA dépend de sa capacité à être trouvée, pas seulement d’exister.

Qu’est-ce que le modèle Inkling ?

Inkling est le premier modèle de Thinking Machines Lab : un modèle à poids ouverts de type « mélange d’experts » comptant 975 milliards de paramètres, capable de raisonner à partir de texte, d’images et d’audio, lancé le 15 juillet 2026. Seuls 41 milliards de ces paramètres sont actifs pour un token donné, ce qui est l’astuce qui rend abordable l’exécution d’un modèle de cette taille.

La première chose à comprendre : ce qu’Inkling n’est pas. Ce n’est pas un chatbot prêt à l’emploi auquel on se connecte, comme ChatGPT ou Gemini. C’est un modèle de base, publié sous forme de poids ouverts, destiné à être téléchargé et affiné pour créer votre propre solution. Thinking Machines est très claire à ce sujet : Inkling est un point de départ, pas un produit.

Cette distinction fait écho à celle que nous décrivons dans notre article sur DeepSeek, un autre modèle à poids ouverts que l’on confond souvent avec une application grand public. Il y a d’un côté le modèle, ouvert, et de l’autre le service qui l’entoure, grâce auquel l’entreprise espère générer des revenus. Pour Inkling, ce service est une plateforme de fine-tuning appelée Tinker. Gardez cette distinction en tête et la plupart des questions sur Inkling trouvent leur réponse d’elles-mêmes.

Qui est derrière Inkling ? Thinking Machines Lab et Mira Murati

Inkling vient de Thinking Machines Lab, la start-up fondée en février 2025 par Mira Murati, ancienne directrice technique d’OpenAI et, brièvement, sa PDG. Elle n’est pas partie seule : l’équipe fondatrice compte John Schulman, cofondateur d’OpenAI qui a joué un rôle central dans ChatGPT, et Lilian Weng, ancienne vice-présidente d’OpenAI qui dirigeait les travaux sur la sécurité et la robotique. En résumé, un laboratoire bâti par une partie des personnes qui ont construit OpenAI.

L’argent a suivi les noms. Thinking Machines a levé ce qui a été présenté comme le plus gros tour de table d’amorçage de l’histoire, valorisant l’entreprise à environ 12 milliards de dollars avant même la sortie d’un seul modèle. Des informations non confirmées par la société évoquent aussi un tour bien plus important, proche de 50 milliards de dollars, qui aurait été suspendu en début d’année : à considérer comme des chiffres rapportés, pas établis.

Avant Inkling, le laboratoire avait déjà sorti Tinker, son outil de fine-tuning, ainsi que des travaux de recherche et une démo d’interaction vocale. Inkling est le premier vrai modèle, arrivé près d’un an et demi après la création de l’entreprise, et le laboratoire tient à avancer vite. Sa culture délibérément anti-star privilégie la continuité de l’équipe plutôt que la célébrité individuelle, ce qui se lit comme une réaction directe à l’environnement que ses fondateurs ont quitté. Une question reste sans réponse : comment une entreprise qui distribue gratuitement son produit phare, alors que des tiers peuvent héberger les mêmes poids ouverts, financera-t-elle le gigawatt de systèmes Nvidia nouvelle génération qu’elle s’est engagée à acquérir ? Tinker est le pari, et il est encore trop tôt pour trancher.

Les caractéristiques techniques d’Inkling

Au-delà de son positionnement, Inkling est un modèle imposant et moderne. La fiche officielle du modèle et l'annonce de lancement détaillent ce qu’il a sous le capot.

Certains points comptent plus que d’autres. L’architecture mélange d’experts est ce qui rend un modèle de 975 milliards de paramètres exploitable : il contient un nombre considérable de paramètres mais n’en active qu’une petite fraction par token, ce qui coûte bien moins cher à faire tourner qu’un modèle dense de même taille, même si l’attention, le routage et le contexte étendu font que la facture réelle dépasse celle d’un vrai modèle 41B. Sa fenêtre de contexte d’un million de tokens le place au niveau des plus grands modèles actuels. Il est aussi nativement multimodal en entrée : entraîné dès le départ à lire images et audio, et non pas adapté après coup à un modèle textuel. Une précision à souligner : il ne produit que du texte. Il lit les images et l’audio, il ne les génère pas.

Inkling est-il bon ? Benchmarks et mises en garde

Thinking Machines a publié une fiche complète de résultats, obtenus au niveau d’effort de réflexion le plus élevé. Les chiffres affichés sont solides.

C’est là que la couverture médiatique du lancement se fait plus discrète. Thinking Machines affirme sans détour qu’Inkling n’est pas le modèle le plus performant disponible aujourd’hui, ouvert ou fermé. Ce n’est pas de la fausse modestie. Les modèles fermés de pointe d’OpenAI, d’Anthropic et de Google restent en tête de la plupart des classements, et sur l’indice indépendant Artificial Analysis Intelligence Index, Inkling obtient un score de 41, ce qui en fait le meilleur modèle américain à poids ouverts, mais toujours derrière des leaders chinois ouverts comme GLM-5.2. Solide pour un modèle ouvert, pas le vainqueur toutes catégories. Autre précision sur cette fiche : les chiffres sont donnés au niveau d’effort de réflexion maximal, donc dans le meilleur des cas. Réduisez l’effort pour gagner en vitesse ou en coût, et les scores baissent en conséquence.

Deux réserves supplémentaires. D’abord, plusieurs de ces scores ont été obtenus sur les outils de test internes de l’entreprise plutôt que sur des harnais totalement indépendants : ils devront être reproduits en externe avant d’être considérés comme définitifs. Ensuite, les affirmations d’efficacité les plus impressionnantes, comme égaler le Nemotron 3 Ultra de Nvidia sur un benchmark de terminal agentique avec environ un tiers des tokens, ou un Inkling affiné qui obtient 84,7 % sur un test de raisonnement financier de Bridgewater pour un quatorzième du coût, proviennent d’évaluations privées ou réalisées par des fournisseurs. Ces résultats tiendront peut-être la route, mais ils ne sont pas encore vérifiés de façon indépendante, et il vaut mieux savoir de quels chiffres on parle.

Les premières vérifications externes commencent à arriver. ARC Prize, qui mène ses propres évaluations plutôt que de reprendre les chiffres d’un laboratoire, a confirmé le 17 juillet qu’Inkling est le modèle à poids ouverts le mieux classé qu’il ait testé sur ARC-AGI-1 (79,5 %) et ARC-AGI-2 (36,5 %).

Sebastian Raschka, chercheur indépendant en apprentissage automatique, a comparé les scores publiés d’Inkling à ceux de GLM-5.2 dès le lendemain du lancement, avec un résultat contrasté. Inkling l’emporte sur le suivi d’instructions (IFBench, 79,8 % contre 73,3 %) et la précision factuelle (SimpleQA Verified, 43,9 % contre 38,1 %). Il reste en retrait sur le raisonnement expert sans outils (Humanity’s Last Exam, 29,7 % contre 40,1 %), les corrections de code en situation réelle (SWE-Bench Pro Public, 54,3 % contre 62,1 %) et les tâches agentiques en terminal (Terminal Bench 2.1, 63,8 % contre 82,7 %). Ce résultat partagé évoque davantage un généraliste franc qu’une victoire écrasante dans un sens ou dans l’autre. Raschka précise lui-même que certaines lignes mélangent des chiffres rapportés en externe et des résultats issus des harnais internes du laboratoire, à traiter comme une lecture externe utile plutôt qu’une reproduction en bonne et due forme. Le résultat de l’ARC Prize se rapproche davantage d’une indépendance totale : une évaluation menée entièrement hors du contrôle de Thinking Machines.

Inkling est-il open source ? Poids ouverts contre open source

Inkling est qualifié d'« open source » un peu partout, et comme d’habitude, l’étiquette n’est qu’à moitié exacte. Inkling est à poids ouverts, pas open source. Les poids sont diffusés sous licence Apache 2.0, l’une des plus permissives qui soient : vous pouvez télécharger le modèle, le faire tourner, l’affiner et le commercialiser presque sans contrainte. C’est réellement ouvert, et plus permissif que certains modèles ouverts chinois qui ajoutent des clauses d’attribution.

Ce que vous ne pouvez pas faire : le reconstruire. Poids ouverts signifie que les fichiers du modèle final sont publics. L’open source, au sens strict, impliquerait aussi de publier les données d’entraînement et suffisamment de la recette pour reproduire le modèle à partir de zéro, et Thinking Machines ne publie pas son jeu de données de 45 000 milliards de tokens. Le commentateur indépendant Simon Willison a pointé la même lacune sous un autre angle : la section données d’entraînement de la fiche modèle indique seulement qu’elle utilise du contenu « relevant du domaine public ainsi que du contenu pouvant être soumis à une protection de la propriété intellectuelle », sans citer de sources ni préciser où se situe cette limite.

Pour une entreprise soumise au RGPD, cette opacité complique l’évaluation des risques et la documentation du fournisseur, sans à elle seule déterminer la conformité du déploiement. La France a un précédent qui va dans ce sens : en mars 2025, la SGDL, le SNAC et le SNE ont assigné Meta devant le tribunal judiciaire de Paris pour l’usage non autorisé d'œuvres protégées (la base Books3) dans l’entraînement de Llama, sur la même zone grise entre données publiques et contenu protégé qu’Inkling admet. Nous détaillons pourquoi cette distinction compte dans notre guide sur la différence entre poids ouverts et open source : vous pouvez utiliser Inkling librement, sans pouvoir auditer entièrement comment il a été construit.

Un dernier détail passe inaperçu dans la documentation technique. Pour amorcer le post-entraînement d’Inkling, Thinking Machines a généré des données synthétiques à partir de modèles ouverts d’autres laboratoires, dont le Kimi K2.5 de Moonshot AI. Cette distillation est courante dans le secteur, mais c’est un élément à verser au dossier : une partie des performances d’Inkling vient de l’apprentissage sur des modèles que quelqu’un d’autre a entraînés en premier.

Peut-on vraiment faire tourner Inkling ? Matériel et accès

Les fiches techniques minimisent cet aspect. « Poids ouverts » ne veut pas dire que vous pouvez faire tourner ce modèle sur votre ordinateur portable, ni même sur une seule carte graphique gaming haut de gamme. Inkling est énorme. Le checkpoint BF16 complet nécessite au moins 2 téraoctets de mémoire GPU agrégée, soit 8 Nvidia B300 ou 16 H200 selon la fiche du modèle. La version quantifiée NVFP4 ramène ce chiffre à environ 600 Go, ce qui reste 4 B300 ou 8 H200. Le téléchargement lui-même approche les 2 To, répartis sur plus d’une centaine de fichiers. C’est un modèle taillé pour un data center.

Pour presque tout le monde, « ouvert » désigne donc l’une de ces voies d’accès plutôt que l’auto-hébergement.

L’intérêt de posséder les poids tient au contrôle. Parce que vous pouvez affiner Inkling sur vos propres données et, sur Tinker, garder ces données pour vous plutôt que de les fondre dans le modèle de fondation de quelqu’un d’autre, une entreprise peut construire un modèle spécialisé sans le louer à un laboratoire fermé. C’est l’argument de vente, et il est réel pour les organisations qui disposent d’un savoir interne précieux. Pour une équipe qui veut mieux maîtriser la localisation de ses données, la licence Apache 2.0 rend aussi possible un auto-hébergement complet sur une infrastructure française ou européenne (OVHcloud, Scaleway) plutôt que sur Tinker, hébergé aux États-Unis, même si cet hébergement ne suffit pas à lui seul à garantir la conformité RGPD : il faut porter soi-même la facture matérielle décrite plus haut, en plus des vérifications habituelles (finalité, sous-traitance, durées de conservation).

Inkling face à DeepSeek, Kimi, Mistral et le champ des modèles ouverts

Inkling arrive dans un domaine où les meilleurs modèles ouverts étaient, jusqu’ici, chinois. DeepSeek, Kimi et le GLM de Zhipu ont fixé la barre des poids ouverts, et Moonshot l’a relevée un jour plus tard avec Kimi K3, un modèle de 2 800 milliards de paramètres qui obtient un score bien supérieur à Inkling sur le même indice indépendant, même si les poids de K3 n’étaient pas encore publics au moment de la rédaction, Moonshot visant le 27 juillet. Thinking Machines présente Inkling comme un candidat américain sérieux revendiquant des performances comparables. Voici comment il se positionne face au reste du secteur, en ajoutant l’alternative européenne que la version originale de cet article ne couvrait pas.

Ce qui distingue vraiment Inkling n’est pas sa suprématie brute sur les benchmarks. C’est la combinaison de sa multimodalité native, de l’effort de réflexion réglable qui permet d’échanger des tokens contre de la vitesse, et du fait qu’il offre une base large et équilibrée qu’une équipe bien outillée peut adapter. Son point de comparaison le plus direct côté européen est Mistral Large 3 (675 milliards de paramètres, 41 milliards actifs, également sous Apache 2.0, sorti en décembre 2025) : une taille très proche, et un hébergement en Europe déjà disponible plutôt qu’une promesse. Si vous voulez le panorama complet des modèles ouverts chinois auxquels Inkling se mesure, notre comparatif des principaux modèles chinois les met côte à côte. La vraie particularité d’Inkling est autant géographique et stratégique que technique : un modèle ouvert de pointe made in USA, pour les équipes qui cherchent une alternative aux modèles américains fermés comme aux modèles ouverts chinois.

« Résistance à la censure » : ce que ça veut dire réellement

Une partie de la couverture du lancement a mis en avant la « résistance à la censure », ce qui sonne plus spectaculaire que la réalité. Thinking Machines rattache cela à ce qu’elle appelle l’épistémique : le modèle doit être bien calibré, suivre les instructions et répondre aux questions politiquement sensibles plutôt que les refuser par réflexe ou reprendre les opinions standardisées d’un développeur. En clair, il est conçu pour être moins moralisateur et moins arbitrairement restrictif sur les sujets qui font débat.

Ce n’est pas pour autant un modèle jailbreaké. Inkling refuse toujours catégoriquement les demandes réellement dangereuses (armes, cyberattaques et autres), et affiche de bons scores sur les benchmarks de sécurité. La fiche du modèle est franche sur le compromis : elle admet une tendance occasionnelle à céder face à un jeu de rôle ou une formulation détournée sur des sujets sensibles, et recommande le filtrage habituel des entrées et sorties pour un usage à enjeu élevé. Une question reste ouverte : comme le modèle est conçu pour être affiné, on ne sait pas encore, de l’aveu même du laboratoire, dans quelle mesure un fine-tuning tiers affaiblit ces garde-fous.

Faut-il utiliser Inkling ?

La réponse simple : Inkling a du sens si vous avez des données propriétaires qui valent la peine d’être utilisées pour un fine-tuning, que vous voulez posséder votre modèle plutôt que d’en louer un à un laboratoire fermé, et que vous avez le matériel pour suivre. Ça veut dire Tinker pour la plupart des équipes, ou votre propre cluster si vous avez besoin du contexte complet d’un million de tokens que les fenêtres plus courtes de Tinker ne couvrent pas. Pour une banque, un groupe hospitalier ou une entreprise d’ingénierie avec un savoir interne solide et l’équipe pour l’affiner, la proposition est sérieuse.

Pour tous les autres, ce n’est pas le bon outil. Si vous voulez simplement un assistant compétent prêt à l’emploi, que vous n’avez pas d’équipe de fine-tuning ou pas le matériel nécessaire, ChatGPT, Claude et Gemini restent le meilleur choix, et ils sont plus aboutis en plus. Croire qu’Inkling est autre chose que ce qu’il est, c’est la meilleure façon d’être déçu par un modèle qui n’a jamais cherché à gagner sur votre cas d’usage.

Ce qu’Inkling change pour votre visibilité dans l’IA

En préparant cet article, nous avons fait un petit test. Nous avons demandé à plusieurs moteurs d’IA « qu’est-ce qu’Inkling de Thinking Machines Lab ? ». ChatGPT et Perplexity, tous deux connectés à la recherche web en temps réel, ont répondu correctement et cité l’annonce. Gemini de Google, interrogé sans recherche web, a répondu qu’il n’avait « aucune information confirmée » sur le modèle, puis a décrit avec assurance une tout autre entreprise portant le même nom. Quelques jours après un lancement très médiatisé, un modèle de pointe qui tourne uniquement sur ses données d’entraînement n’était pas seulement dans le flou : il se trompait. Ce n’est pas un reproche fait à Gemini. Sans accès en temps réel au web, même un modèle de pointe ne voit rien de ce qui se passe après sa date de coupure, et un lancement tout frais tombe pile dans cet angle mort.

Cet écart résume à lui seul tout l’enjeu. Les réponses d’une IA ne valent que par les sources que le modèle peut atteindre au moment où il répond. Chaque moteur destiné aux utilisateurs, y compris les produits que des équipes construiront sur des bases ouvertes comme Inkling, est un endroit de plus où un client peut demander « quel est le meilleur outil pour X » ou « [votre entreprise] est-elle fiable ? » et agir selon la réponse. D’après notre expérience chez geotoolbox, les entreprises qui apparaissent correctement dans ces réponses sont rarement celles qui ont la plus belle page d’accueil. Ce sont celles qu’un modèle peut trouver, récupérer et analyser sans se heurter à des contradictions, ce qui est le fondement du generative engine optimization.

La vague des modèles ouverts ne change pas cette logique, elle élargit surtout le terrain de jeu. Il y a simplement plus de moteurs capables de citer, ou de déformer, ce que vous avez construit, et la stratégie qui tient dans la durée n’a pas changé : assurez-vous qu’ils peuvent vous lire clairement, puis vérifiez qu’ils le font. Nos guides sur ce qu’est le GEO et sur le suivi de votre visibilité dans l’IA creusent les deux sujets. La première étape est la moins chère : lancez un score de préparation IA gratuit pour voir si les robots d’exploration IA peuvent seulement atteindre et lire votre site, avant que le prochain modèle sorte et que la question se repose.

Foire aux questions

Inkling est-il gratuit ?

Les poids sont gratuits à télécharger et à utiliser sous licence Apache 2.0, mais l’exécution ne l’est pas : le modèle complet demande un cluster d’au moins 2 To de mémoire GPU. Si vous passez par la plateforme Tinker de Thinking Machines ou un fournisseur tiers, vous payez au token : une remise de lancement à durée limitée ramène le prix à environ 1,87 $ par million de tokens en entrée et 4,68 $ par million en sortie sur le palier 64K, mais cette remise est temporaire et facturée en dollars, sans tarif en euros publié. La licence est donc gratuite ; le calcul, non.

Inkling est-il open source ?

Pas au sens strict. Inkling est à poids ouverts : les fichiers du modèle final sont publics sous Apache 2.0, vous pouvez donc le faire tourner, l’affiner et le diffuser librement. Mais Thinking Machines ne publie ni ses données d’entraînement ni la recette complète, donc vous ne pouvez ni reproduire le modèle ni auditer entièrement sa construction. « Poids ouverts » est le terme exact.

Peut-on faire tourner Inkling sur son propre ordinateur ?

Non. Inkling est un modèle de 975 milliards de paramètres dont le checkpoint complet demande environ 2 To de mémoire GPU cumulée, soit 8 GPU de data center ou plus. Une version quantifiée ramène ça à environ 600 Go, et il existe une version expérimentale 1 bit, mais ça reste très loin d’une machine grand public. La plupart des utilisateurs y accéderont via Tinker ou un hébergeur.

Inkling est-il meilleur que ChatGPT ou Claude ?

En performance brute, non. Thinking Machines dit elle-même qu’Inkling n’est pas conçu pour dominer les classements, et les modèles fermés d’OpenAI, d’Anthropic et de Google restent en tête de la plupart des benchmarks. L’avantage d’Inkling, c’est d’être ouvert et personnalisable : vous pouvez l’affiner sur vos propres données et le contrôler, ce que les modèles fermés ne permettent pas.

Qui a créé Inkling ?

Thinking Machines Lab, la start-up fondée en février 2025 par Mira Murati, ancienne directrice technique d’OpenAI, avec John Schulman, cofondateur d’OpenAI, et Lilian Weng, ancienne vice-présidente chargée de la sécurité chez OpenAI. Inkling, sorti le 15 juillet 2026, est le premier modèle du laboratoire.

Qu’est-ce qu’Inkling-Small ?

Inkling-Small est une préversion d’un modèle plus léger, 276 milliards de paramètres au total avec 12 milliards actifs, dont Thinking Machines affirme qu’il égale ou dépasse le plus gros Inkling sur plusieurs benchmarks grâce à une recette d’entraînement améliorée. À la mi-juillet 2026, il n’est qu’en préversion, pas encore pleinement lancé. « Small » reste relatif : à 276 milliards de paramètres, c’est toujours un modèle à l’échelle d’un data center, pas quelque chose qui tourne sur une seule machine.

Sources

• Présentation d’Inkling (annonce officielle) - Thinking Machines Lab, juillet 2026 - thinkingmachines.ai/news/introducing-inkling
• Fiche du modèle Inkling (officielle) - Thinking Machines Lab - thinkingmachines.ai/model-card/inkling
• Thinking Machines mise sur la customisation en entreprise plutôt que sur les benchmarks avec Inkling - L’Usine Digitale, juillet 2026 - usine-digitale.fr/intelligence-artificielle/ia-generative/thinking-machines-mise-sur-la-customisation-en-entreprise-plutot-que-sur-les-benchmarks-avec-inkling-un-modele-dia-open-source-et-leger.L45H6FPVLVD53FM2I6LWBFU4M4.html
• Thinking Machines amps up its bet against one-size-fits-all AI with Inkling - TechCrunch, juillet 2026 - techcrunch.com/2026/07/15/thinking-machines-amps-up-its-bet-against-one-size-fits-all-ai-with-its-first-open-model-inkling
• Thinking Machines Lab Drops Its First Model - WIRED, juillet 2026 - wired.com/story/thinking-machines-lab-releases-its-first-model-inkling
• thinkingmachines/Inkling (poids du modèle) - Hugging Face - huggingface.co/thinkingmachines/Inkling
• Inkling - Résultats ARC-AGI - ARC Prize, juillet 2026 - arcprize.org/results/thinky-inkling
• Inkling Architecture and Benchmark Notes - Sebastian Raschka, juillet 2026 - sebastianraschka.com/blog/2026/inkling-architecture-benchmark-notes.html
• Inkling: Our open-weights model (commentaire) - Simon Willison, juillet 2026 - simonwillison.net/2026/Jul/16/inkling
• Introducing Mistral 3 - Mistral AI, décembre 2025 - mistral.ai/news/mistral-3
• La SGDL, le SNAC et le SNE assignent Meta pour imposer le respect du droit d’auteur - SGDL, mars 2025 - sgdl.org/sgdl-accueil/l-actualite-sgdl/actualites-2025/4642-communique-la-sgdl-le-snac-et-le-sne-assignent-meta-pour-imposer-le-respect-du-droit-dauteur